[发明专利]一种基于生成对抗网络的脑卒中康复系统脑机接口方法

说明书

本发明公开了一种基于生成对抗网络的脑卒中康复系统脑机接口方法。在信号采集与预处理阶段，使用快速独立分量分析和小波包变换消除眼电和肌电。在特征提取阶段，多次重复选取样本数据，划分为多个小的数据片段，在计算被试者的协方差矩阵时引入一部分其他人的脑电数据样本，然后利用协方差矩阵提取RCSP特征，以保证小样本特征稳定性。在运动想象分类阶段，设计一种EEGGANs学习模型，其生成器包含四层转置卷积CNN，判别器也包含四层CNN，输出层为Softmax。在精准量化指标评定阶段，康复医师根据由运动想象类别控制的机械运动位置、角度等，对患者进行治疗指导。本发明可代替脑卒中患者受损的外周神经和肌肉通路，实现对运动功能障碍患者的主动康复治疗。

技术领域

本发明涉及一种能对运动想象脑电信号进行分类识别的系统，尤其是能帮助有运动功能障碍的脑卒中患者进行康复训练，具有高精度、高鲁棒性的脑机接口方法。

背景技术

“脑卒中”又称“中风”，是一种急性脑血管疾病，是由于脑部血管破裂或阻塞导致血液不能流入大脑而引起脑组织损伤的一种疾病。脑卒中具有发病率高、死亡率高和致残率高的特点，调查显示，城乡合计脑卒中已成为我国第一位死亡原因，也是中国成年人残疾的首要原因。

当前从治疗手段分析，国内外脑卒中康复系统主要聚焦于临床康复训练系统。临床康复训练系统多采用基于神经生理学基础的康复训练，主要是根据运动发育控制原理与大脑可塑性原理，利用共同运动、协同作用和姿势反射等神经运动机制，通过医师对患者临床的康复评定，对患者的功能状态和潜在能力进行判断，然后“对症下药”，进行相应的康复训练。目前临床上关于脑卒中运动功能评定的方法很多，如简式Fugl-Meyer运动功能评分法、Brunnstrom等级评测法等。这些量表评定的方法，都依赖于医生的检查和观察，属于人工评定，虽然临床上广泛使用，但评定结果容易受到康复医师主观因素的影响，且量表分级指标较多，需要康复医师全程参与，而有限的医师数量面对庞大的病患群体往往力不从心，甚至延误最佳治疗时机。脑机接口技术的出现，为思维正常但运动功能残缺的脑卒中患者的诊断和康复训练提供了一种可行性方案。

目前，脑卒中康复系统脑机接口一般是由脑电信号采集与预处理模块、特征提取模块、运动想象分类模块组成。当前主流的特征提取方法如主成分分析法、遗传算法、小波变换等，在小样本脑电数据集中表现不够稳定，以及高维特征会导致算法复杂度较高。传统分类器如支持向量机、朴素贝叶斯、决策树等需要人工选取特征，会导致精度偏差。常用的神经网络如卷积神经网络、循环神经网络等，针对小样本数据往往模型泛化能力差且易发生过拟合问题，导致分类效果不佳。

发明内容

本发明主要针对运动功能障碍脑卒中患者的康复训练，研究并实现一种基于运动想象脑电信号的脑机接口。为了解决小样本数据及样本不均衡导致的系统稳定性问题，本发明利用协方差矩阵提取RCSP特征以保证小样本特征稳定性。为解决实时反馈系统中的识别精度与算法复杂度的平衡问题，本发明提出一种生成对抗网络EEGGANs，建立半监督学习模型，用于脑卒中康复系统脑机接口，使该脑机接口在保证小样本、高鲁棒性的前提下实现针对运动想象脑电信号的精准分类。

本发明采用的技术方案为基于生成对抗网络的脑卒中康复系统脑机接口方法，解决其技术问题所采用的技术方案包括以下步骤：

步骤1：脑电信号预处理，首先对原始的EEG进行小波包变换(WPT)，确定WPT的分解层数，根据EEG和噪声的特点选择合适的小波基函数，最后确定要滤除高频噪声所在的频带，并对相应的频带置零。再对己经滤除高频噪声后的信号进行快速独立分量分析(FastICA)和逆FastICA，以去除眼电和肌电干扰得到滤除噪声后的脑电信号。然后利用快速傅里叶变换(FFT)获取脑电信号的频谱，求得其功率谱密度。